Khi tìm kiếm cụm từ AI phát hiện bất thường, bạn sẽ thấy bảo trì dự đoán cho thiết bị, kiểm tra ngoại quan, giám sát quá trình, phát hiện tiếng động bất thường và phân tích hành vi thao tác được xếp chung dưới một cái tên. Nhưng năm thứ đó khác nhau hoàn toàn về dữ liệu cần có, số tiền phải bỏ ra và thời gian hoàn vốn. Hơn nữa, tháng 10 năm 2026 sẽ có hai dịch vụ phát hiện bất thường tiêu biểu trên đám mây lần lượt kết thúc. Bài viết này đưa ra một mô hình chấm điểm năm lĩnh vực theo bốn trục để quyết định nên bắt đầu từ đâu, rồi tính chênh lệch khi chọn sai thứ tự trên ví dụ một nhà máy Nhật Bản tại Thái Lan.
Cụm từ AI phát hiện bất thường đang chỉ tới năm thứ khác nhau
Lý do lớn nhất khiến việc cân nhắc triển khai AI phát hiện bất thường không tiến triển là mọi người trong công ty vẫn ngồi họp trong khi mỗi người hình dung một thứ khác nhau. Bộ phận kỹ thuật sản xuất nghĩ tới dự đoán hỏng hóc thiết bị, bộ phận đảm bảo chất lượng nghĩ tới phát hiện hàng lỗi, còn bộ phận hệ thống thông tin nghĩ tới việc chọn dịch vụ đám mây. Cùng một cụm từ AI phát hiện bất thường, nhưng dữ liệu cần có, số tiền đầu tư và thời gian tới lúc thấy hiệu quả đều khác nhau.
Bài phân tích của AI Souken giải thích rằng AI phát hiện bất thường trong ngành sản xuất chủ yếu được sắp xếp thành năm lĩnh vực. Bài viết này lấy cách sắp xếp đó làm điểm xuất phát.
| Lĩnh vực | Dữ liệu sử dụng | Thứ muốn phát hiện |
|---|---|---|
| Lĩnh vực 1, giám sát thiết bị và bảo trì dự đoán | Chuỗi thời gian của rung động, nhiệt độ, dòng điện | Suy giảm của vòng bi, bất thường của mô tơ, dấu hiệu dừng máy đột ngột |
| Lĩnh vực 2, kiểm tra ngoại quan và chất lượng | Hình ảnh | Vết xước, sứt mẻ, loang màu, sai kích thước |
| Lĩnh vực 3, giám sát quá trình | Nhiều cảm biến nhiệt độ, áp suất, lưu lượng, nồng độ | Tổ hợp điều kiện lệch ra khỏi dải bình thường |
| Lĩnh vực 4, phát hiện tiếng động bất thường | Âm thanh thu bằng micro | Tiếng kêu của vòng bi, rò khí nén, rò khí |
| Lĩnh vực 5, phân tích hành vi thao tác | Video | Hành vi mất an toàn, sai lệch khỏi quy trình thao tác |
Xin lưu ý rằng trong tài liệu gốc, lĩnh vực 5 được gọi là phân tích công việc. Bài viết này thống nhất dùng cụm từ phân tích hành vi thao tác để nói rõ đây là lĩnh vực quan sát chuyển động của người và vật thông qua video.
Cũng bài viết đó giới thiệu một số ví dụ. Daikin được cho biết đã rút ngắn hơn 1 năm so với trước đây chu trình PDCA cải tiến sản phẩm, thông qua việc dùng dữ liệu vận hành của sản phẩm cho mục đích phát hiện bất thường. Bridgestone được cho là đã phân tích thời gian thực dữ liệu cảm biến của 480 hạng mục trên mỗi chiếc lốp tại thiết bị tạo hình, nâng độ tròn lên hơn 15% so với phương pháp chế tạo cũ, và khi kết hợp với phương pháp nhiều trống thì đạt năng suất khoảng gấp 2 lần so với hiện hữu. JFE Steel được cho biết đã phát triển hệ thống J-mAIster hỗ trợ khôi phục sự cố điều khiển và hoàn tất triển khai tới 6 nhà máy thép và cơ sở sản xuất trên toàn quốc.
Cả ba đều là những ví dụ quy mô lớn, không thể áp thẳng vào doanh nghiệp của bạn. Nhưng khi đặt ba trường hợp này cạnh nhau, có thể thấy rõ rằng AI phát hiện bất thường không phải một công nghệ duy nhất, mà trở thành những dự án hoàn toàn khác nhau tùy theo loại dữ liệu được xử lý. Daikin dùng nhật ký vận hành của sản phẩm, Bridgestone dùng cảm biến chuỗi thời gian của thiết bị tạo hình, còn JFE dùng hồ sơ sự cố của hệ điều khiển. Điểm chung là cả ba đều bắt đầu sau khi đã xác định trước dữ liệu của mình đang nằm ở đâu. Daikin và JFE khởi hành từ những bản ghi vốn đã có sẵn trong tay, còn Bridgestone thì khởi hành từ việc tự dựng khâu đo lường vào trong hệ thống tạo hình. Cửa vào có thể là bản ghi sẵn có hoặc là lắp mới phép đo, nhưng cả hai đều được quyết trước khi chọn mô hình hay dịch vụ.
Tháng 10 năm 2026, hai dịch vụ phát hiện bất thường trên đám mây lần lượt kết thúc
Lập luận rằng nên bắt đầu từ dữ liệu của chính mình lâu nay vẫn bị gạt đi bằng một câu phản bác quen thuộc, rằng cứ thử một dịch vụ đám mây trước đã. Từ tháng 10 năm 2026 trở đi, lựa chọn mang tên dịch vụ đa dụng của hai hãng lớn sẽ biến mất.
Azure AI Anomaly Detector ngừng hoạt động ngày 1 tháng 10 năm 2026
Tài liệu chính thức của Microsoft ghi rõ rằng dịch vụ Anomaly Detector sẽ ngừng hoạt động vào ngày 1 tháng 10 năm 2026, và từ ngày 20 tháng 9 năm 2023 trở đi không thể tạo tài nguyên Anomaly Detector mới. Hướng chuyển đổi được chỉ dẫn là Microsoft Fabric, hoặc dự án nguồn mở anomaly-detector.
Nói cách khác, dịch vụ này đã ngừng nhận khách hàng mới từ gần 3 năm trước. Phần vẫn chạy cho người dùng hiện hữu sẽ kết thúc vào ngày 1 tháng 10 năm 2026.
AWS Lookout for Equipment kết thúc cung cấp ngày 7 tháng 10 năm 2026
Blog chính thức của AWS viết về Amazon Lookout for Equipment rằng khách hàng mới sẽ không truy cập được dịch vụ này kể từ ngày 7 tháng 10 năm 2025, còn khách hàng hiện hữu vẫn dùng bình thường tới ngày 7 tháng 10 năm 2026, và chính bài blog đó thông báo dịch vụ sẽ kết thúc cung cấp vào ngày này. Hướng chuyển đổi được chỉ dẫn là AWS IoT SiteWise, nơi chức năng phát hiện bất thường đa biến bổ sung vào tháng 7 năm 2025 đã hỗ trợ cách mô hình hóa của Lookout for Equipment, và kịch bản chuyển đổi mô hình hiện hữu cũng được cung cấp trên GitHub.
Điều cần đọc ra là nền tảng vẫn còn, thứ biến mất là sản phẩm hoàn chỉnh
Việc hai dịch vụ này kết thúc cách nhau 6 ngày chỉ là trùng hợp, nhưng ý nghĩa của chúng thì giống nhau. Ít nhất là ở tầng mà các nhà cung cấp hạ tầng đám mây quy mô lớn gọi là API đa dụng, nơi bạn ném dữ liệu vào và nhận về kết quả bất thường, tầng đó đã không còn được duy trì như một sản phẩm độc lập. Không phải mọi dịch vụ của mọi hãng đều biến mất, nhưng việc hai đại diện tiêu biểu cùng gấp lại là lý do để xem xét lại tiền đề đặt cược vào tầng này.
Điều quan trọng là tính chất của các đích chuyển đổi. Cả Microsoft Fabric lẫn AWS IoT SiteWise đều không phải sản phẩm phát hiện bất thường hoàn chỉnh. Cả hai đều là nền tảng với tiền đề rằng bạn mang dữ liệu của mình vào và tự lắp ghép lấy. Nghĩa là mức độ nhàn tay chắc chắn giảm xuống.
Kết luận thực tiễn rút ra từ đây như sau. Việc cân nhắc AI phát hiện bất thường không được bắt đầu từ câu hỏi mua dịch vụ nào. Dịch vụ thì kết thúc, nhưng dữ liệu của chính bạn và định nghĩa về việc muốn phát hiện cái gì từ dữ liệu đó thì vẫn còn. Vì vậy thứ phải quyết đầu tiên là trong năm lĩnh vực, dữ liệu của bạn hiện đang tồn tại ở đâu.
Chấm điểm năm lĩnh vực theo bốn trục
Chúng ta chấm điểm theo bốn trục để biết nên bắt đầu từ lĩnh vực nào. Mỗi trục được đánh giá từ 0 tới 3 điểm, và mỗi lĩnh vực có tổng từ 0 tới 12 điểm. Mô hình chỉ đơn giản là bắt đầu từ lĩnh vực có điểm cao nhất.
| Trục | Đo cái gì |
|---|---|
| Trục A, mức độ sẵn có của dữ liệu | Tín hiệu cần cho phán đoán ở lĩnh vực đó đã được lưu ở dạng số hay chưa |
| Trục B, lịch sử sự kiện bất thường | Có thể xác định lại sau về thời điểm bất thường xảy ra hay không |
| Trục C, số tiền mất mỗi năm | Mỗi năm bạn đang mất bao nhiêu tiền ở lĩnh vực đó |
| Trục D, hành động sau khi phát hiện | Khi phát hiện ra thì có thực sự có bộ máy để dừng được và sửa được hay không |
Dưới đây là tiêu chí chấm điểm cho từng trục. Vì mỗi lĩnh vực trong năm lĩnh vực đều được chấm 4 lần nên tổng cộng có 20 lần phán đoán. Chỉ cần 1 giờ là xong.
Trục A, mức độ sẵn có của dữ liệu
Hãy đo bằng dữ liệu đang thu được ngay lúc này, chứ không phải dữ liệu dự định sẽ thu. Câu lắp cảm biến vào là thu được sẽ nhận 0 điểm. Vì ngay tại thời điểm cần thi công lắp đặt và cần xin ngân sách, đó đã là yếu tố làm giảm mức độ dễ khởi động.
| Điểm | Điều kiện |
|---|---|
| 0 điểm | Hoàn toàn không thu tín hiệu tương ứng. Không có cảm biến, không có camera, không có micro |
| 1 điểm | Có đo nhưng chỉ dừng ở giấy, đồng hồ chỉ thị tại hiện trường hoặc hiển thị trên màn hình, không lưu lại ở dạng số |
| 2 điểm | Có lưu ở dạng số bên trong PLC, SCADA hay thiết bị kiểm tra, nhưng không có cơ chế lấy ra ngoài và bị ghi đè mất |
| 3 điểm | Lịch sử từ 12 tháng trở lên được tích lũy kèm mốc thời gian trên máy chủ hoặc historian và lấy ra được bất cứ lúc nào |
Khoảng cách giữa 2 điểm và 3 điểm là bậc hụt lớn nhất trong thực tế. Giữa việc dữ liệu nằm bên trong thiết bị và việc dùng được dữ liệu đó để huấn luyện còn xen vào ba công đoạn là bổ sung truyền thông, giải mã định dạng và bảo đảm nơi lưu trữ. Kế hoạch nào coi nhẹ chỗ này thì gần như chắc chắn sẽ trễ.
Trục B, lịch sử sự kiện bất thường
AI phát hiện bất thường có phương thức chỉ học trạng thái bình thường rồi chỉ ra giá trị lệch, và phương thức học cả bình thường lẫn bất thường rồi phân loại. Phương thức trước nhìn qua thì có vẻ không cần nhãn đúng, nhưng tới giai đoạn kiểm chứng xem giá trị lệch được phát hiện có thật sự là vấn đề hay không, rốt cuộc vẫn cần hồ sơ về những bất thường trong quá khứ. Bỏ qua chỗ này thì cứ mỗi lần chuông cảnh báo kêu, hiện trường lại nói đây không phải bất thường, và sau 3 tháng sẽ không còn ai nhìn tới nó nữa.
| Điểm | Điều kiện |
|---|---|
| 0 điểm | Không có ghi chép về ngày giờ bất thường xảy ra |
| 1 điểm | Có ghi bằng văn xuôi trong nhật ký hay báo cáo, nhưng không xác định được thời điểm tới từng phút |
| 2 điểm | Số sự kiện xác định được kèm mốc thời gian là dưới 10 vụ mỗi năm |
| 3 điểm | Số sự kiện xác định được kèm mốc thời gian từ 10 vụ mỗi năm trở lên, hoặc có từ 1,000 ảnh trở lên cho mỗi loại hàng đạt và hàng lỗi |
Trục C, số tiền mất mỗi năm
Số tiền được đặt theo đơn vị THB và tính cho một năm. Điều quan trọng ở đây là không đếm cùng một khoản tổn thất hai lần ở hai lĩnh vực khác nhau. Một lần dừng máy đột ngột do tiếng kêu của vòng bi được đếm đúng một lần, như tổn thất của lĩnh vực 1 giám sát thiết bị, chứ không phải của lĩnh vực 4 phát hiện tiếng động bất thường. Nếu cho phép đếm trùng, mọi lĩnh vực đều đạt điểm cao và không còn xếp được thứ hạng.
| Điểm | Điều kiện |
|---|---|
| 0 điểm | Dưới 1,000,000 THB mỗi năm |
| 1 điểm | Từ 1,000,000 THB tới dưới 3,000,000 THB mỗi năm |
| 2 điểm | Từ 3,000,000 THB tới dưới 10,000,000 THB mỗi năm |
| 3 điểm | Từ 10,000,000 THB mỗi năm trở lên |
Việc giữ số tiền theo dải là có lý do. Ước tính tổn thất dễ dàng xê dịch 20% chỉ vì cách đặt giả định. So sánh tới từng 1 THB thì không có ý nghĩa gì, nên các dải được cắt ở 1,000,000, 3,000,000 và 10,000,000, tức là những bước nhảy hơn 3 lần, và chỉ khi vượt qua một bước nhảy thì thứ hạng mới thay đổi.
Trục D, hành động sau khi phát hiện
Trục này hay bị bỏ sót, nhưng chính nó mới là thứ giết chết dự án trong thực tế. Dù có phát hiện được bất thường, nếu không có thiết bị thay thế, không có phụ tùng dự phòng và không có người tại hiện trường đủ thẩm quyền quyết định dừng máy, thì thứ còn lại chỉ là sự kiện đã phát hiện ra.
| Điểm | Điều kiện |
|---|---|
| 0 điểm | Phát hiện rồi cũng không dừng được, không sửa được. Không có phụ tùng dự phòng, không có thiết bị thay thế, không có người quyết định |
| 1 điểm | Có hành động, nhưng việc quyết định cần phê duyệt của trụ sở chính hoặc công ty mẹ ở nước ngoài và mất vài ngày |
| 2 điểm | Hiện trường tự quyết định và đưa được vào lịch dừng máy theo kế hoạch. Phụ tùng dự phòng cũng có gần đủ |
| 3 điểm | Có quy trình và linh kiện để hoàn tất xử lý chỉ bằng lực lượng tại chỗ trong vòng 24 giờ kể từ khi phát hiện |
Cách đọc kết quả chấm điểm và quy tắc ngoại lệ
Hãy bắt đầu từ lĩnh vực có tổng điểm bốn trục cao nhất. Nếu bằng điểm, ưu tiên lĩnh vực có trục D cao hơn, vì lĩnh vực có thể ra tay ngay trong ngày phát hiện sẽ cho thấy thành quả rõ hơn trong nội bộ.
Phán đoán này chỉ có đúng một quy tắc ngoại lệ. Lĩnh vực nào có trục D bằng 0 điểm thì không khởi động, bất kể tổng điểm là bao nhiêu. Dù ba trục còn lại đạt điểm tuyệt đối, nếu sau khi phát hiện mà không làm được gì thì khoản đầu tư sẽ không thu hồi được. Trường hợp hay gặp ở nhà máy tại Thái Lan là một thiết bị đặc chủng nhập từ Nhật chỉ có đúng 1 máy, việc mua linh kiện mất 2 tuần và cũng không có chuyền thay thế. Với thiết bị này, việc trước tiên là có phụ tùng dự phòng hoặc bảo đảm phương án thay thế, còn AI thì tính sau.
Thử chấm điểm trên một nhà máy mô hình
Nói trừu tượng mãi cũng không đi tới đâu, nên xin dựng một nhà máy nghe như có thật để chấm điểm.
Đây là một nhà sản xuất linh kiện điện tử vốn Nhật tại tỉnh Rayong, nhà máy thực hiện ép phun, dập và mạ cho các đầu nối và đầu cực dùng trên ô tô. Doanh nghiệp có 450 nhân viên, chạy 2 ca.
| Hạng mục giả định | Giá trị |
|---|---|
| Số ngày hoạt động mỗi năm | 250 ngày |
| Số giờ hoạt động mỗi ngày | 16 giờ, tức 2 ca |
| Số giờ thiết bị chạy mỗi năm | 4,000 giờ |
| Giá trị xuất hàng mỗi năm | 780,000,000 THB |
| Tỷ lệ lãi trên biến phí | 28% |
| Sản lượng xuất hàng mỗi năm | 42,000,000 sản phẩm |
| Thiết bị chính | 12 máy ép phun, 6 máy dập liên hoàn, 2 dây chuyền mạ liên tục |
| Dừng ngoài kế hoạch do thiết bị | 340 giờ mỗi năm |
| Nhân sự kiểm tra bằng mắt | 14 người |
Trước hết hãy tính phần lãi trên biến phí bị mất cho mỗi giờ dừng máy. Lấy 780,000,000 THB chia cho 250 ngày được 3,120,000 THB mỗi ngày, chia tiếp cho 16 giờ được 195,000 THB mỗi giờ. Nhân với tỷ lệ lãi trên biến phí 28%, ta có 54,600 THB mỗi giờ.
Mỗi lĩnh vực đang mất bao nhiêu tiền mỗi năm
Chúng ta chất dần số tiền tổn thất theo từng lĩnh vực. Để tránh đếm trùng, hãy quyết trước mỗi khoản tổn thất thuộc về lĩnh vực nào rồi mới đếm.
Lĩnh vực 1, giám sát thiết bị và bảo trì dự đoán. Trong 340 giờ dừng ngoài kế hoạch, giả định 25% là phần không lấy lại được bằng tăng ca hay làm ngày nghỉ và đã ảnh hưởng tới giao hàng. 340 × 25% = 85 giờ, nhân với 54,600 THB được 4,641,000 THB. 255 giờ còn lại được bù bằng tăng ca nên phát sinh phần lương phụ trội. Với 8 người tăng ca và đơn giá giờ trên nền tiền lương đã gồm phụ trội là 210 THB, đơn giá này không cộng chi phí gián tiếp, ta có 255 × 8 × 210 = 428,400 THB. Cộng thêm chi phí thuê ngoài sửa chữa đột xuất và phụ tùng gấp là 620,000 THB mỗi năm. Tổng cộng 5,689,400 THB.
Lĩnh vực 2, kiểm tra ngoại quan và chất lượng. Trên sản lượng xuất hàng 42,000,000 sản phẩm mỗi năm, giả định tỷ lệ lọt sang khách hàng do mắt thường không chặn được là 0.05%, tức 21,000 sản phẩm. Số này hiện ra thành 24 vụ khiếu nại mỗi năm, mỗi vụ tốn trung bình 165,000 THB cho việc chọn lọc, thu hồi, vận chuyển, làm báo cáo và sản xuất thay thế gấp, nên 24 × 165,000 = 3,960,000 THB. Ngoài ra chi phí nhân công kiểm tra toàn số bằng mắt là 14 người × 2,000 giờ × 165 THB = 4,620,000 THB, trong đó 165 THB là đơn giá gánh chịu nội bộ đã cộng bảo hiểm bắt buộc và chi phí gián tiếp lên tiền lương, chứ không phải đơn giá giờ của bản thân tiền lương. Xem như 30% của khoản này có dư địa được thay thế bằng việc tự động hóa khâu phát hiện, tức 1,386,000 THB. Tổng cộng 5,346,000 THB.
Lĩnh vực 3, giám sát quá trình. Mỗi năm có 18 lô bị loại do quản lý nồng độ và nhiệt độ dung dịch mạ không tốt, mỗi lô trung bình 96,000 THB gồm vật liệu, công và chi phí mạ lại. 18 × 96,000 = 1,728,000 THB.
Lĩnh vực 4, phát hiện tiếng động bất thường. Đây là phần điện năng dư thừa do rò khí nén ở hệ máy nén khí. Chi phí điện mỗi năm cho phần máy nén khí là 2,400,000 THB, ước tính tỷ lệ rò khí là 20%, nên 2,400,000 × 20% = 480,000 THB. Phần dừng máy đột ngột bắt nguồn từ tiếng kêu của vòng bi đã được tính vào lĩnh vực 1 nên ở đây không đếm lại.
Lĩnh vực 5, phân tích hành vi thao tác. Mỗi năm có 310 vụ phải làm lại do sai lệch khỏi quy trình thao tác, mỗi vụ 2,900 THB. 310 × 2,900 = 899,000 THB.
Tổng của năm lĩnh vực là 14,142,400 THB. Kiểm tra lại thì 5,689,400 + 5,346,000 + 1,728,000 + 480,000 + 899,000 = 14,142,400, khớp.
Kết quả chấm điểm
Chúng ta áp hiện trạng của nhà máy này vào bốn trục.
| Lĩnh vực | Trục A, dữ liệu | Trục B, lịch sử | Trục C, tổn thất | Trục D, hành động | Tổng |
|---|---|---|---|---|---|
| Lĩnh vực 1, giám sát thiết bị và bảo trì dự đoán | 2 điểm | 1 điểm | 2 điểm | 2 điểm | 7 điểm |
| Lĩnh vực 2, kiểm tra ngoại quan và chất lượng | 3 điểm | 3 điểm | 2 điểm | 3 điểm | 11 điểm |
| Lĩnh vực 3, giám sát quá trình | 1 điểm | 1 điểm | 1 điểm | 3 điểm | 6 điểm |
| Lĩnh vực 4, phát hiện tiếng động bất thường | 0 điểm | 0 điểm | 0 điểm | 3 điểm | 3 điểm |
| Lĩnh vực 5, phân tích hành vi thao tác | 1 điểm | 0 điểm | 0 điểm | 2 điểm | 3 điểm |
Xin bổ sung căn cứ của việc chấm điểm.
Lĩnh vực 1 được 2 điểm ở trục A vì máy ép phun tuy có giữ nhiệt độ và áp suất bên trong bộ điều khiển nhưng không lấy ra ngoài được và bị ghi đè mất. Trục B được 1 điểm vì hồ sơ dừng máy có nằm trong nhật ký bảo trì dưới dạng văn xuôi nhưng không có mốc thời gian tới từng phút. Trục D được 2 điểm vì hiện trường quyết định được hành động, nhưng việc đưa vào lịch dừng máy theo kế hoạch phải thông qua cuộc họp hằng tháng.
Lĩnh vực 2 được 3 điểm ở cả trục A và trục B vì nhà máy đã lắp máy kiểm tra ngoại quan, đang vận hành quy trình xuất kết quả phán đoán và ảnh chụp sang máy chủ tệp theo ngày, và ảnh hàng đạt cùng ảnh hàng lỗi được lưu kèm mốc thời gian cho hơn 12 tháng, mỗi loại vượt xa mức 1,000 ảnh. Trục D được 3 điểm vì hàng bị phán đoán không đạt chỉ cần rút khỏi chuyền ngay tại chỗ, không cần linh kiện cũng không cần quy trình gì thêm.
Lĩnh vực 3 được 1 điểm ở trục A vì nồng độ dung dịch mạ được phân tích thủ công 2 lần mỗi ngày và ghi ra giấy, còn nhiệt độ và dòng điện thì chỉ đọc trên đồng hồ chỉ thị. Trục B được 1 điểm vì biết được ngày phát sinh lô bị loại nhưng không xác định được thời điểm của công đoạn gây ra nguyên nhân. Trục D được 3 điểm vì việc hiệu chỉnh dung dịch làm được ngay trong ngày theo quyết định của hiện trường.
Lĩnh vực 4 được 0 điểm ở trục A vì nhà máy không lắp một chiếc micro nào, và trục B cũng 0 điểm vì không có ghi chép về ngày giờ phát sinh tiếng động bất thường hay rò khí nén. Trục D được 3 điểm vì rò khí nén sửa được ngay trong ngày bằng việc vá đường ống. Lĩnh vực 5 được 1 điểm ở trục A vì tuy có camera trần dùng cho an ninh nhưng hình ảnh chỉ hiện trên màn hình mà không lưu vào thiết bị ghi, và trục B được 0 điểm vì có thống kê số vụ làm lại nhưng không có mốc thời gian gắn với video. Việc chấn chỉnh quy trình thì hiện trường làm được, nhưng do đào tạo lại chỉ tổ chức hằng tháng nên trục D dừng ở 2 điểm.
Phán đoán rất rõ ràng, lĩnh vực cần khởi động là lĩnh vực 2, kiểm tra ngoại quan và chất lượng.
Điều đáng chú ý ở đây là nội dung bên trong thứ hạng. Lĩnh vực có số tiền mất mỗi năm lớn nhất là lĩnh vực 1 giám sát thiết bị với 5,689,400 THB, cao hơn con số 5,346,000 THB của lĩnh vực 2. Vậy mà lĩnh vực 2 vẫn thắng, vì trục C là phán đoán theo dải nên cả hai cùng đứng ở 2 điểm và khoảng chênh 343,400 THB không tác động tới thứ hạng. Chênh lệch nằm ở ba trục còn lại, gồm 3 điểm từ trục A và trục B, cộng thêm 1 điểm từ trục D, tất cả tạo thành khoảng cách 4 điểm giữa 11 điểm và 7 điểm. Nếu quyết định lĩnh vực khởi động chỉ dựa trên độ lớn của tổn thất thì gần như chắc chắn thiết bị sẽ được chọn. Và ở phần lớn nhà máy, thiết bị lại chính là lĩnh vực thiếu dữ liệu nhất.
Việc đào sâu vào bản thân lĩnh vực thiết bị nằm ngoài phạm vi bài này. Điều kiện nào thì bảo trì dự đoán phát huy tác dụng và điều kiện nào thì không, xin xem bài sắp xếp các ví dụ triển khai bảo trì dự đoán theo nhóm có hiệu quả và nhóm không hiệu quả. Tín hiệu rung động đo được cái gì và không đo được cái gì, xin xem bài viết về chẩn đoán thiết bị bằng cảm biến rung động. Muốn chấm đúng trục A và trục B thì nội dung của hai bài này là tiền đề.
Tính chênh lệch phải trả khi bắt đầu sai thứ tự
Giá trị của một mô hình phán đoán được quyết định bởi số tiền bạn mất khi chệch khỏi nó. Xin so ba kịch bản. Phần ước tính hiệu quả được đặt lại một cách thận trọng, chỉ tính phần thực sự lấy được, tách khỏi con số tổn thất thô đã dùng cho phán đoán theo dải ở trục C.
Kịch bản A, bắt đầu từ lĩnh vực 2 kiểm tra ngoại quan đúng theo phán đoán
| Hạng mục | Số tiền, THB |
|---|---|
| Kiểm kê và gom lại ảnh đã lưu, nâng dung lượng lưu trữ | 380,000 |
| Xây dựng mô hình phán đoán, gồm chuẩn bị dữ liệu học, gán nhãn và lập trình | 1,250,000 |
| Máy tính công nghiệp và 2 máy suy luận biên | 340,000 |
| Nhân lực nội bộ, gồm đảm bảo chất lượng và kỹ thuật sản xuất | 260,000 |
| Tổng chi phí ban đầu | 2,230,000 |
Chi phí vận hành mỗi năm cho bảo trì và huấn luyện lại là 290,000 THB. Hiệu quả được đặt như sau.
| Hạng mục hiệu quả | Mỗi năm, THB | Công thức |
|---|---|---|
| Giảm khiếu nại do hàng lọt sang khách | 1,650,000 | Từ 24 vụ xuống 14 vụ, 10 vụ × 165,000 |
| Giảm công kiểm tra bằng mắt | 792,000 | 4 người × 2,000 giờ × 165 THB × 60% |
| Tổng hiệu quả mỗi năm | 2,442,000 | 1,650,000 + 792,000 |
Nhân sự kiểm tra bằng mắt giảm từ 14 người xuống 10 người, nhưng ghi nhận toàn bộ 1,320,000 THB tiền nhân công của 4 người đó là không trung thực. Tại Thái Lan, thông lệ là điều chuyển nhân sự dôi ra sang công đoạn khác chứ không sa thải, nên phần thực sự tác động tới tài chính chỉ là phần giảm tăng ca và phần tránh phải tuyển thêm. Ở đây chúng tôi lấy 60% và thu về 792,000 THB.
Hiệu quả ròng mỗi năm là 2,442,000 − 290,000 = 2,152,000 THB. Thời gian hoàn vốn giản đơn là 2,230,000 ÷ 2,152,000 = 1.04 năm.
Tuy nhiên năm đầu tiên có giai đoạn khởi động, nên ta đặt hiệu quả bằng 60% mức đầy đủ và chi phí vận hành bằng nửa năm. Cân đối năm thứ nhất là 1,465,200 − 145,000 − 2,230,000 = −909,800 THB. Vì năm thứ hai được cộng thêm 2,152,000 THB, thời điểm lũy kế chuyển sang dương rơi vào khoảng 1 năm 5 tháng.
Lũy kế là −909,800 ở năm thứ nhất, 1,242,200 ở năm thứ hai và 3,394,200 THB ở năm thứ ba.
Kịch bản B, bắt đầu từ lĩnh vực 1 thiết bị vì tổn thất lớn nhất
Đây là trường hợp mà trong cuộc tranh luận nội bộ, tiếng nói cho rằng thứ đang lỗ nhiều nhất là thiết bị đã thắng thế.
| Hạng mục | Số tiền, THB |
|---|---|
| Cảm biến rung động và dòng điện 20 điểm, cho 12 máy cộng 2 dây chuyền mạ và các vị trí khác, 46,000 × 20 | 920,000 |
| Cổng kết nối, truyền thông, thi công nguồn điện | 480,000 |
| Nền tảng dữ liệu, gồm cơ sở dữ liệu chuỗi thời gian và trực quan hóa | 620,000 |
| Xây dựng mô hình, năm đầu chỉ giám sát theo ngưỡng | 350,000 |
| Nhân lực nội bộ | 420,000 |
| Tổng chi phí ban đầu | 2,790,000 |
Chi phí vận hành mỗi năm là 380,000 THB. Điểm mang tính quyết định ở đây là năm thứ nhất hầu như không ra hiệu quả. Vì trục B chỉ được 1 điểm, tức không có hồ sơ xác định được thời điểm bất thường xảy ra tới từng phút, nên không thể huấn luyện mô hình dự đoán hỏng hóc. Việc làm được trong năm thứ nhất chỉ là tích lũy dữ liệu và cho chuông cảnh báo theo ngưỡng kêu khi có sai lệch rõ ràng.
Hiệu quả năm thứ nhất được đặt theo giả định ngăn được 8% trong 340 giờ dừng ngoài kế hoạch. 340 × 8% = 27.2 giờ. Trong đó phần 25% ảnh hưởng tới giao hàng là 6.8 giờ, tức 6.8 × 54,600 = 371,280 THB, phần 20.4 giờ vốn được bù bằng tăng ca là 20.4 × 8 người × 210 = 34,272 THB, và phần giảm chi phí sửa chữa là 620,000 × 8% = 49,600 THB. Tổng cộng 455,152 THB. Trừ chi phí vận hành thì chỉ còn lại 75,152 THB.
Từ năm thứ hai, lịch sử kèm mốc thời gian của 12 tháng đã tích lũy đủ và mô hình dự đoán đứng được. Nâng tỷ lệ cắt giảm lên 22% thì 340 × 22% = 74.8 giờ. Trong đó phần 25% ảnh hưởng tới giao hàng là 18.7 giờ, tức 18.7 × 54,600 = 1,021,020 THB, phần 56.1 giờ vốn được bù bằng tăng ca là 56.1 × 8 người × 210 = 94,248 THB, và phần giảm chi phí sửa chữa là 620,000 × 22% = 136,400 THB. Tổng cộng 1,251,668 THB, trừ chi phí vận hành còn 871,668 THB.
Lũy kế là −2,714,848 ở năm thứ nhất, −1,843,180 ở năm thứ hai và −971,512 THB ở năm thứ ba. Qua 3 năm vẫn chưa hoàn vốn. Thời điểm chuyển sang dương là khoảng 4 năm 1 tháng sau, tức vừa bước vào năm thứ năm.
Chênh lệch lũy kế 3 năm so với kịch bản A là 3,394,200 − (−971,512) = 4,365,712 THB.
Xin viết rõ ở đây để tránh hiểu lầm. Kịch bản B không phải một thất bại về kỹ thuật. Từ năm thứ năm trở đi nó chắc chắn hoàn vốn, và bản thân bảo trì dự đoán cho thiết bị là một khoản đầu tư đúng đắn. Vấn đề nằm ở chỗ khác. Một dự án không ra được gì trong năm thứ nhất thì không sống nổi trong nội bộ. Nhà máy tại Thái Lan phải báo cáo thường niên về trụ sở chính tại Nhật, và dự án nào không đưa ra được con số trong báo cáo hiệu quả đầu tư của năm đầu tiên sẽ bị cắt ngân sách năm thứ hai. Dừng lại ngay trước lúc dữ liệu học tích đủ chính là cái kết thường gặp nhất ở lĩnh vực này.
Kịch bản C, ra thành quả ở lĩnh vực 2 rồi mới tiến sang lĩnh vực 1
Đây là cách đi thực tế, vừa giữ đúng thứ tự phán đoán vừa khởi động lĩnh vực thiết bị vào năm thứ hai.
Khi khởi động lĩnh vực 1 vào năm thứ hai, phần nền tảng dữ liệu trị giá 620,000 THB trong chi phí ban đầu có thể dùng chung với thứ đã xây ở lĩnh vực 2, nên con số giảm còn 2,790,000 − 620,000 = 2,170,000 THB. Dù có bắc qua các lĩnh vực khác nhau của phát hiện bất thường, nơi lưu dữ liệu chuỗi thời gian và cơ chế trực quan hóa vẫn là chung.
| Năm | Chi tiết | Trong năm, THB | Lũy kế, THB |
|---|---|---|---|
| Năm thứ nhất | Chi phí ban đầu lĩnh vực 2 là −2,230,000, hiệu quả 60% của lĩnh vực 2 là 1,465,200, chi phí vận hành lĩnh vực 2 là −145,000 | −909,800 | −909,800 |
| Năm thứ hai | Lĩnh vực 2 đủ mức 2,152,000, chi phí ban đầu lĩnh vực 1 là −2,170,000, hiệu quả ròng năm đầu của lĩnh vực 1 là 75,152 | 57,152 | −852,648 |
| Năm thứ ba | Lĩnh vực 2 đủ mức 2,152,000, lĩnh vực 1 từ năm thứ hai trở đi là 871,668 | 3,023,668 | 2,171,020 |
Kiểm tra lại thì năm thứ hai là 2,152,000 − 2,170,000 + 455,152 − 380,000 = 57,152, năm thứ ba là 2,152,000 + 871,668 = 3,023,668, và lũy kế là −909,800 + 57,152 + 3,023,668 = 2,171,020.
So sánh ba kịch bản
| Năm | Kịch bản A, chỉ lĩnh vực 2 | Kịch bản B, chỉ lĩnh vực 1 | Kịch bản C, lĩnh vực 2 rồi lĩnh vực 1 |
|---|---|---|---|
| Lũy kế năm thứ nhất | −909,800 | −2,714,848 | −909,800 |
| Lũy kế năm thứ hai | 1,242,200 | −1,843,180 | −852,648 |
| Lũy kế năm thứ ba | 3,394,200 | −971,512 | 2,171,020 |
| Lũy kế năm thứ tư | 5,546,200 | −99,844 | 5,194,688 |
| Lũy kế năm thứ năm | 7,698,200 | 771,824 | 8,218,356 |
| Hiệu quả ròng mỗi năm ở năm bình thường | 2,152,000 | 871,668 | 3,023,668 |
Có ba điều đọc được từ bảng này.
Điều thứ nhất. Xét tại mốc 3 năm, chênh lệch giữa A và B là 4,365,712 THB. Cùng một nhà máy, cùng một quy mô ngân sách, chỉ thay đổi lĩnh vực khởi động là đã ra khoảng cách này.
Điều thứ hai. C thua A cho tới tận năm thứ tư. Cuối năm thứ tư còn chênh 351,512 THB, và C chỉ lật ngược được vào khoảng 4 năm 5 tháng. Khoản đầu tư bổ sung cho lĩnh vực thiết bị, dù thực hiện đúng thứ tự, vẫn mất hơn 4 năm mới đuổi kịp về lũy kế. Điều này có nghĩa là lĩnh vực 1 giám sát thiết bị là khoản đầu tư nên làm nhưng không phải khoản phải vội. Nếu ngân sách của một năm eo hẹp, dừng lại ở lĩnh vực 2 cũng không sao.
Điều thứ ba. Dù vậy, hiệu quả ròng mỗi năm ở năm bình thường của C vẫn là lớn nhất. Nếu bạn vận hành nhà máy theo tầm nhìn dài hơn 5 năm thì C mới là đáp án đúng. Mô hình phán đoán không nói rằng đừng làm lĩnh vực 1, mà nói rằng đừng đặt lĩnh vực 1 ở vị trí thứ nhất.
Phân tích độ nhạy, kết luận có đổi không khi mức giảm khiếu nại chỉ còn một nửa
Trong hiệu quả 2,442,000 THB của kịch bản A, có 1,650,000 THB đến từ việc giảm khiếu nại. Vì 68% tổng thể đang được đỡ bởi một giả định duy nhất, chúng ta lay chỗ này để kiểm chứng.
Hãy xem trường hợp khiếu nại chỉ giảm được 5 vụ thay vì 10 vụ. Khoản giảm công kiểm tra bằng mắt 792,000 THB không phụ thuộc vào giả định này, nên được giữ nguyên và không nhân hệ số nào.
| Hạng mục hiệu quả | Mỗi năm, THB |
|---|---|
| Giảm khiếu nại do hàng lọt sang khách | 825,000, tức 5 vụ × 165,000 |
| Giảm công kiểm tra bằng mắt | 792,000, không thay đổi |
| Tổng hiệu quả mỗi năm | 1,617,000 |
Hiệu quả ròng mỗi năm là 1,617,000 − 290,000 = 1,327,000 THB. Năm thứ nhất là 970,200 − 145,000 − 2,230,000 = −1,404,800, lũy kế năm thứ hai là −77,800 và lũy kế năm thứ ba là 1,249,200 THB. Thời điểm chuyển sang dương lùi lại khoảng 2 năm 1 tháng.
Chênh lệch so với lũy kế 3 năm của kịch bản B là −971,512 THB thì bằng 2,220,712 THB. Kết luận không đảo chiều. Ngay cả khi hạ mức giảm khiếu nại xuống một nửa, việc khởi động từ lĩnh vực 2 vẫn có lợi hơn 2,000,000 THB trong 3 năm.
Nói ngược lại, sức thuyết phục của phép tính này không nằm ở khoản giảm khiếu nại vốn nhiều bất định, mà được đỡ bởi phía phát sinh hằng ngày là 792,000 THB công kiểm tra bằng mắt. Nếu viết tờ trình phê duyệt, lấy phần công lao động cắt giảm được làm nhân vật chính sẽ dễ được duyệt hơn.
Còn một điều kiện nữa cần xem, là điều kiện làm chính bản thân phán đoán thay đổi. Nếu trục B của lĩnh vực 1 giám sát thiết bị lên từ 1 điểm thành 3 điểm và trục A lên từ 2 điểm thành 3 điểm, tổng của lĩnh vực 1 trở thành 3+3+2+2 = 10 điểm. Vẫn còn thiếu 1 điểm so với 11 điểm của lĩnh vực 2, nhưng khoảng cách với lĩnh vực 3, lĩnh vực 4 và lĩnh vực 5 sẽ trở nên dứt khoát. Cách nâng hai trục này được bàn ở chương sau.
Cách nhanh nhất để nâng thứ hạng không phải là mua AI
Xin nói tiếp câu chuyện nâng trục A và trục B của lĩnh vực 1 đã xuất hiện ở cuối chương trước. Đây là phần thực tiễn nhất của bài viết.
Thứ cần để nâng trục B từ 1 điểm lên 3 điểm không phải AI cũng không phải cảm biến. Đó là thêm bốn cột thời điểm bắt đầu dừng, thời điểm khôi phục, hiện tượng và biện pháp xử lý vào nhật ký bảo trì. Chỉ cần thêm một quy tắc vận hành là ghi tới từng phút, thì sau 1 năm bạn sẽ tích được từ 10 sự kiện bất thường kèm mốc thời gian mỗi năm trở lên. Chi phí bỏ ra gần như bằng không.
Việc nâng trục A từ 2 điểm lên 3 điểm thì cần thi công, nhưng cũng không phải làm một lượt. Trong 12 máy ép phun, chỉ chọn 3 máy có thời gian dừng dài nhất trong 2 năm qua để lấy dữ liệu ra khỏi bộ điều khiển và lưu lại. Với quy mô này thì vài trăm nghìn THB là đủ. Không có lý do nào bắt buộc phải kết nối cả 12 máy cùng lúc.
Nói cách khác, khoản đầu tư đúng đắn cho năm thứ nhất ở lĩnh vực thiết bị không phải bản thân AI phát hiện bất thường, mà là công việc nâng điểm chấm. Và khi khởi động vào năm thứ hai với điểm số đã nâng, khoảng thời gian không ra được gì trong năm thứ nhất như ở kịch bản B sẽ biến mất. Xin lưu ý rằng kịch bản C ở chương trước là phép tính thận trọng, không tính tới việc làm sớm này và vẫn giữ tỷ lệ cắt giảm năm đầu của lĩnh vực 1 ở mức 8%. Nếu thêm bốn cột vào nhật ký từ trước, năm thứ hai của C sẽ tốt hơn một chút.
Cách nghĩ này cũng áp dụng nguyên vẹn cho phía chất lượng. Không phải nhà máy chưa có máy kiểm tra ngoại quan thì không khởi động được lĩnh vực 2. Hãy bắt đầu từ việc thiết lập quy trình không vứt bỏ những ảnh đã chụp ở công đoạn kiểm tra. Luận điểm rằng độ chính xác của phán đoán được quyết định bởi tỷ lệ dữ liệu đối chiếu được, đã được bàn kỹ trong bài viết về phân tích dữ liệu kiểm tra chất lượng bằng AI.
Những luận điểm riêng khi triển khai tại nhà máy ở Thái Lan
Có khả năng dùng được khung nâng cấp công nghệ của BOI
Ủy ban Đầu tư Thái Lan, gọi tắt là BOI, có một khung mang tên Activity 10.1 khuyến khích nâng cấp công nghệ. Nhà sản xuất đã nhận ưu đãi BOI, khi đầu tư thiết bị cho hệ thống bảo trì dự đoán gồm cảm biến IoT, nền tảng dữ liệu và mô hình AI dự đoán hỏng hóc thiết bị, hoặc cho AI kiểm tra ngoại quan dùng nhận dạng hình ảnh và học sâu, sẽ thuộc diện được miễn thuế thu nhập doanh nghiệp thêm 3 năm và được miễn thuế nhập khẩu đối với máy móc mới cùng thiết bị liên quan tới AI. Bản thân khoản đầu tư nâng cấp công nghệ này không có quy định về mức đầu tư tối thiểu. Tiền đề duy nhất là hoạt động nền đã đang nhận ưu đãi.
Xét theo kịch bản A của bài viết, trong chi phí ban đầu 2,230,000 THB thì khoản 340,000 THB cho máy tính công nghiệp và máy suy luận biên có thể thuộc diện miễn thuế nhập khẩu. Vì thuế suất thay đổi theo từng mặt hàng, xin vui lòng kiểm tra số tiền thực tế theo từng trường hợp.
Còn có ưu đãi về mặt nhân lực. Chi phí đào tạo nhân lực AI được cho phép khấu trừ 200%, và doanh nghiệp đầu tư từ 1% tới 3% chi phí nhân sự hằng năm vào đào tạo AI còn được gia hạn miễn thuế thu nhập doanh nghiệp thêm từ 1 năm tới 3 năm theo tỷ lệ đã đầu tư. Cấu trúc là 1% được 1 năm, 2% được 2 năm và 3% được 3 năm.
Tuy vậy đây không phải khoản tiền nhỏ. Với 450 nhân viên của nhà máy mô hình và mức lương bình quân mỗi người mỗi năm đã gồm phần chủ sử dụng lao động gánh là 240,000 THB, chi phí nhân sự hằng năm dùng làm tiêu chí xét ưu đãi là 108,000,000 THB. Một phần trăm của số đó là 1,080,000 THB. Nghĩa là mỗi năm phải liên tục rót vào đào tạo gần một nửa chi phí ban đầu của kịch bản A. Đây không phải số tiền để lao vào chỉ vì nhìn thấy số năm ưu đãi, hãy quyết định bằng cách cộng dồn từ số người và số khóa học mà bạn thực sự muốn đào tạo.
Khả năng áp dụng ưu đãi thay đổi theo nội dung hoạt động và loại hình đăng ký. Xin nhất định kiểm tra theo từng trường hợp.
Hãy để việc phán đoán khi phát hiện nằm được tại hiện trường
Khoảng cách giữa 1 điểm và 2 điểm của trục D, tức giữa việc mất vài ngày chờ trụ sở chính phê duyệt và việc hiện trường tự quyết định, là vấn đề nặng nề ở Thái Lan hơn ở Nhật. Cảnh báo phát hiện bất thường sẽ mất ý nghĩa nếu không được phán đoán trong vòng vài giờ kể từ khi kêu. Nếu quyền quyết định dừng thiết bị nằm ở công ty mẹ tại Nhật và mất 3 ngày vì lệch múi giờ cùng thủ tục trình duyệt, thì việc phát hiện bất thường ở lĩnh vực đó có đầu tư cũng không hiệu quả.
Đây không phải vấn đề kỹ thuật mà là vấn đề bộ máy. Tuy nhiên, nếu bộ máy không thay đổi thì trục D vẫn giữ 1 điểm, nên trong mô hình phán đoán thứ hạng sẽ tụt xuống một cách đúng đắn. Kết quả rút ra chỉ là đừng đầu tư gượng ép.
Hãy quyết trước nơi đưa dữ liệu ra
Câu chuyện dịch vụ phát hiện bất thường trên đám mây kết thúc, đã nêu ở đầu bài, cũng phát huy tác dụng ở đây. Việc đặt dữ liệu học và nơi chạy suy luận ở đâu là một thiết kế rất khó thay đổi về sau. Nếu lỡ thiết kế theo hướng gửi ảnh sang vùng máy chủ ở nước ngoài, chi phí thay đổi sẽ rất lớn khi bị khách hàng yêu cầu giải trình trong đợt đánh giá.
Cấu hình chạy suy luận ở phía biên và chỉ huấn luyện ở môi trường khác sẽ làm luận điểm này nhẹ đi đáng kể. Đó chính là lý do máy suy luận biên được đưa vào chi phí ban đầu ở kịch bản A.
Câu hỏi thường gặp
AI phát hiện bất thường là gì
Đó là tên gọi chung cho các cơ chế học mẫu hình của trạng thái bình thường rồi tự động tìm ra trạng thái lệch khỏi mẫu hình đó. Theo cách sắp xếp của bài viết này, nó chia thành năm lĩnh vực tùy theo loại dữ liệu được xử lý, gồm giám sát thiết bị và bảo trì dự đoán, kiểm tra ngoại quan và chất lượng, giám sát quá trình, phát hiện tiếng động bất thường và phân tích hành vi thao tác. Vì đây không phải một hạng mục sản phẩm duy nhất, nên chỉ nói triển khai AI phát hiện bất thường thì yêu cầu vẫn chưa được xác định. Trước hết hãy chốt xem bạn đang nói về lĩnh vực nào.
AI phát hiện bất thường khác AI bảo trì dự đoán ở điểm nào
AI bảo trì dự đoán là tên gọi cho phần tương ứng với lĩnh vực 1 giám sát thiết bị trong năm lĩnh vực của AI phát hiện bất thường. Chúng có quan hệ bao hàm. Tuy nhiên cụm từ bảo trì dự đoán mang hàm ý về trục thời gian, tức dự đoán khi nào hỏng để thay linh kiện trước khi hỏng, nên yêu cầu cao hơn một bậc so với việc chỉ phát hiện rằng bây giờ đang khác thường. Muốn ước lượng thời gian còn lại tới lúc hỏng thì cần dữ liệu của nhiều lần hỏng thực tế. Với nhà máy có điểm trục B thấp, cách đi hợp lý là vào từ phát hiện bất thường trước, tích đủ ví dụ rồi mới tiến sang dự đoán.
AI dự đoán hỏng hóc thiết bị cần bao nhiêu dữ liệu mới xây được
Không có câu trả lời chung, nhưng tiêu chí chấm điểm của bài viết này đặt điểm tuyệt đối của trục B ở mức từ 10 sự kiện bất thường xác định được kèm mốc thời gian mỗi năm trở lên. Đây là một mốc tham chiếu. Nói ngược lại, bạn không thể xây mô hình dự đoán hỏng hóc cho một thiết bị mỗi năm chỉ hỏng 1 lần bằng dữ liệu của 1 năm. Nếu bạn có nhiều máy cùng một chủng loại thì số ví dụ gom được sẽ tăng theo số máy, nên bắt đầu từ nhóm thiết bị có nhiều máy cùng chủng loại là có lợi.
AI phát hiện hàng lỗi có thay thế hoàn toàn được kiểm tra bằng mắt không
Nhà máy mô hình trong bài được tính theo tiền đề giảm từ 14 người xuống 10 người, chứ không đưa về không. Con người vẫn ở lại cho những vùng phán đoán mập mờ, cho hàng lần đầu và ngay sau khi đổi quy cách, cùng việc kiểm tra xác suất đối với phán đoán của AI. Cách thay thế thực tế là bỏ việc soi toàn số bằng mắt và chuyển sang kiểm tra xác suất. Kế hoạch đầu tư đặt tiền đề tự động hóa hoàn toàn thì gần như chắc chắn không ra hiệu quả.
Nếu đang dùng Azure AI Anomaly Detector hoặc AWS Lookout for Equipment thì nên làm gì
Azure AI Anomaly Detector ngừng hoạt động ngày 1 tháng 10 năm 2026, với hướng chuyển đổi được chỉ dẫn là Microsoft Fabric hoặc dự án nguồn mở anomaly-detector. AWS Lookout for Equipment kết thúc cung cấp ngày 7 tháng 10 năm 2026, với hướng chuyển đổi được chỉ dẫn là AWS IoT SiteWise, và kịch bản chuyển đổi mô hình hiện hữu cũng được cung cấp. Vì cả hai đích chuyển đổi đều là nền tảng chứ không phải sản phẩm hoàn chỉnh, chúng tôi khuyến nghị nhân dịp chuyển đổi hãy chấm điểm lại xem lĩnh vực này ngay từ đầu có điểm cao hay không. Không hiếm trường hợp việc duy trì cho hệ thống chạy tiếp đã tự biến thành mục đích.
Có được bắt đầu cả năm lĩnh vực cùng lúc không
Nếu ngân sách và nhân lực đủ thì chúng tôi không cản. Nhưng trên thực tế, khâu tốn thời gian nhất khi khởi động phát hiện bất thường là đối thoại với hiện trường. Việc xác nhận tính hợp lý của từng cảnh báo cùng hiện trường không phải khối lượng mà một người phụ trách kỹ thuật sản xuất có thể làm song song cho cả năm lĩnh vực. Ra thành quả ở 1 lĩnh vực để giành được lòng tin của hiện trường rồi mới mở rộng, rốt cuộc lại nhanh hơn.
Triển khai tại Thái Lan thì khác gì so với tại Nhật
Yêu cầu kỹ thuật hầu như không đổi. Khác nhau ở 3 điểm. Quyền quyết định có nằm tại chỗ hay không, việc này gắn thẳng với trục D. Quy trình ghi chép có bám rễ được hay không. Và có đưa ra được con số của năm đầu tiên trong báo cáo thường niên gửi trụ sở chính tại Nhật hay không. Đặc biệt điểm thứ ba tác động trực tiếp tới việc chọn lĩnh vực khởi động. Nếu bắt đầu từ lĩnh vực không ra được gì trong năm thứ nhất thì dù kỹ thuật đúng, dự án vẫn không sống tiếp được.
Kết luận
AI phát hiện bất thường không phải một công nghệ duy nhất, mà là tên gọi chung của năm lĩnh vực gồm giám sát thiết bị và bảo trì dự đoán, kiểm tra ngoại quan và chất lượng, giám sát quá trình, phát hiện tiếng động bất thường và phân tích hành vi thao tác. Việc bắt đầu từ đâu được quyết bằng cách chấm bốn trục là mức độ sẵn có của dữ liệu, lịch sử sự kiện bất thường, số tiền mất mỗi năm và hành động sau khi phát hiện, mỗi trục từ 0 tới 3 điểm, rồi chọn lĩnh vực có tổng điểm cao nhất. Lĩnh vực có trục D bằng 0 điểm thì không khởi động, bất kể tổng điểm là bao nhiêu.
Ở nhà máy mô hình, lĩnh vực có số tiền mất mỗi năm lớn nhất là giám sát thiết bị với 5,689,400 THB, nhưng lĩnh vực được phán đoán là nên khởi động lại là kiểm tra ngoại quan với 11 điểm. Nếu chỉ quyết bằng độ lớn của tổn thất thì thiết bị sẽ được chọn, mà thiết bị lại thường là lĩnh vực thiếu dữ liệu nhất. Chênh lệch lũy kế 3 năm khi bắt đầu sai thứ tự là 4,365,712 THB. Ngay cả khi chạy phân tích độ nhạy hạ giả định giảm khiếu nại xuống một nửa, chênh lệch vẫn là 2,220,712 THB và kết luận không đảo chiều.
Ngày 1 tháng 10 năm 2026 Azure AI Anomaly Detector kết thúc, ngày 7 tháng 10 AWS Lookout for Equipment kết thúc. Lựa chọn mua một API đa dụng kiểu ném dữ liệu vào là nhận về bất thường, do các nhà cung cấp hạ tầng đám mây quy mô lớn đưa ra, ít nhất với hai hãng này đã không còn. Thứ còn lại là dữ liệu của chính bạn. Vì vậy câu hỏi đầu tiên không phải là mua dịch vụ nào, mà là trong năm lĩnh vực thì dữ liệu của bạn hiện đang nằm ở đâu. Và cách nhanh nhất để nâng thứ hạng không phải là mua AI, mà là thêm cột thời điểm dừng máy vào nhật ký bảo trì.
Bạn hoàn toàn có thể thử chấm bốn trục trong nội bộ, và cũng không sao nếu đang ở giai đoạn điểm số sát nhau không xếp được thứ tự, hoặc thậm chí chưa nắm được hiện trạng của trục A. Chỉ cần biết bốn thông tin là số lượng thiết bị, cấu trúc công đoạn kiểm tra, số giờ dừng ngoài kế hoạch của 1 năm gần nhất và số vụ khiếu nại từ khách hàng, chúng tôi sẽ chấm điểm sơ bộ và gửi lại lĩnh vực nên khởi động cùng căn cứ của nó. Xin cứ thoải mái liên hệ qua trang liên hệ như một cuộc trao đổi ở giai đoạn trước cả báo giá. Dựa trên kinh nghiệm triển khai tại Thái Lan, chúng tôi sẽ nói cho bạn phạm vi nào ra được thành quả ngay trong năm thứ nhất.
Nguồn tham khảo
- Microsoft Learn, What is Anomaly Detector? Dịch vụ Anomaly Detector ngừng hoạt động ngày 1 tháng 10 năm 2026, từ ngày 20 tháng 9 năm 2023 không thể tạo tài nguyên mới, learn.microsoft.com
- Microsoft Azure Updates, AI services Anomaly Detector will be retired on 1 October 2026, azure.microsoft.com
- AWS Machine Learning Blog, Preserve access and explore alternatives for Amazon Lookout for Equipment. Khách hàng mới không truy cập được từ ngày 7 tháng 10 năm 2025, khách hàng hiện hữu dùng được tới ngày 7 tháng 10 năm 2026, aws.amazon.com
- AI Souken, AI phát hiện bất thường trong ngành sản xuất. Cách sắp xếp năm lĩnh vực và các ví dụ của Daikin, Bridgestone, JFE Steel, ai-souken.com
- Pertama Partners, Thailand BOI Manufacturing. Activity 10.1 nâng cấp công nghệ, Last Updated February 9, 2026, pertamapartners.com
